Analýza vysokofrekvenčních dat — Zpracování tržních dat na úrovni ticků

Vysokofrekvenční obchodování v kryptoměnách funguje v časových měřítkách milisekund/mikrosekund. Zpracování milionů ticků denně, zvládání nárazových toků dat a extrakce signálů mikrostruktury odlišují profesionální tradery od ostatních. Tato příručka vás provede správou dat na úrovni ticků a analýzou v reálném čase, které pohání 5minutové obnovovací cykly Smart Money API.

Klíčový poznatek: Velryby (whales) nepohybují trhy okamžitě. Jejich blokové obchody vytvářejí detekovatelné signatury v nerovnováze knihy objednávek, bid-ask spready a poměrech objemu takerů. Smart Money API tyto signatury zachycuje v reálném čase.

Sběr a ukládání tick dat

Zdroje dat

Pro kryptoměny pocházejí tick data z:

Efektivní ukládání ticků s Parquet

Ukládejte komprimovaná sloupcová data pro rychlé dotazy:

Python — Pipeline pro tick data
import pandas as pd
import pyarrow.parquet as pq
# Buffer ticků v reálném čase (akumulujte 1 hodinu, pak uložte)
tick_buffer = []
def on_tick(exchange, symbol, price, size, side, timestamp):
tick_buffer.append({
"timestamp": timestamp,
"exchange": exchange,
"symbol": symbol,
"price": price,
"size": size,
"side": side # "buy" or "sell"
})
# Každou hodinu komprimovat a uložit
if len(tick_buffer) > 1_000_000:
df = pd.DataFrame(tick_buffer)
pq.write_table(
pa.Table.from_pandas(df),
f"ticks/{symbol}_{timestamp:%Y%m%d_%H}.parquet",
compression="snappy"
)
tick_buffer = []

Analýza knihy objednávek

Snímky knihy objednávek úrovně 2

Zachycujte celou knihu objednávek každých 100–500 ms:

Python — Zpracování knihy objednávek
class OrderBook:
def __init__(self):
self.bids = {} # price -> size
self.asks = {} # price -> size
def update(self, side, price, size):
if side == "bid":
if size == 0: del self.bids[price]
else: self.bids[price] = size
else:
if size == 0: del self.asks[price]
else: self.asks[price] = size
def get_imbalance(self, depth=10):
# Získejte nejlepších 10 bidů a asků
top_bids = sorted(self.bids.items(), reverse=True)[:depth]
top_asks = sorted(self.asks.items())[:depth]
bid_volume = sum(size for _, size in top_bids)
ask_volume = sum(size for _, size in top_asks)
# Imbalance: >1 = býčí (větší nákupní tlak)
return bid_volume / ask_volume if ask_volume > 0 else 1.0
def get_spread(self):
best_bid = max(self.bids.keys())
best_ask = min(self.asks.keys())
return (best_ask - best_bid) / best_bid # procentuální spread

Mikrostrukturní signály

Extrahujte akční signály ze struktury order booku:

Metriky tržní mikrostruktury

Objemově vážená průměrná cena (VWAP)

Lepší benchmark pro exekuci než jednoduchá uzavírací cena:

Python — výpočet VWAP
def calculate_vwap(ticks):
# ticks: seznam dvojic (cena, objem)
numerator = sum(price * volume for price, volume in ticks)
denominator = sum(volume for _, volume in ticks)
return numerator / denominator

Poměr taker nákup/prodej

Identifikujte, která strana je agresivní:

Python — analýza takerů
def get_taker_direction(tick):
# Pokud obchodní cena = bid, pak prodejce byl agresivní (nabídka)
# Pokud obchodní cena = ask, pak kupující byl agresivní (poptávka)
if abs(tick.price - best_bid) < tick.price_step:
return "sell"
elif abs(tick.price - best_ask) < tick.price_step:
return "buy"
else:
return "mid" # Uvnitř spreadu, možná dark pool
buy_volume = sum(t.size for t in ticks if get_taker_direction(t) == "buy")
sell_volume = sum(t.size for t in ticks if get_taker_direction(t) == "sell")
return buy_volume / (buy_volume + sell_volume) # % nákup

Architektura real-time pipeline

Zpracování WebSocket streamu

Připojte se k Bybit/Binance/Hyperliquid WebSocket pro živá data:

Python — Handler živého streamu
import asyncio
import websockets
async def connect_bybit_ticks(symbol):
url = f"wss://stream.bybit.com/v5/public/spot"
async with websockets.connect(url) as ws:
# Přihlášení k odběru trade streamu
await ws.send(json.dumps({
"op": "subscribe",
"args": [f"publicTrade.{symbol}"]
}))
async for message in ws:
data = json.loads(message)
for trade v data["data"]:
on_tick(
exchange="bybit",
symbol=symbol,
price=float(trade["price"]),
size=float(trade["size"]),
side=trade["side"],
timestamp=int(trade["time"])
)

Distribuované zpracování s Redis Streams

Zvládněte miliony tiků denně pomocí front zpráv:

Python — zpracování Redis streamů
import redis
r = redis.Redis(host='localhost', port=6379)
# Producent: odesílá tiky do streamu
def publish_tick(exchange, symbol, tick):
stream_key = f"ticks:{exchange}:{symbol}"
r.xadd(stream_key, {
"price": tick.price,
"size": tick.size,
"side": tick.side,
"ts": tick.timestamp
})
# Skupina konzumentů čte se sledováním zpoždění
r.xgroup_create(stream_key, "analytics", id="$", mkstream=True)

Přidejte do své analýzy reálné signály

Smart Money API agreguje data o ticích ze 3 burz a více než 250 velrybích peněženek. Použijte naše předem vypočítané mikrostrukturní signály k vylepšení vlastní analýzy v reálném čase.

Začněte zdarma ještě dnes →